A Migration-Assisted Deep Learning Scheme for Imaging Defects Inside Cylindrical Structures via GPR: A Case Study for Tree Trunks

Sintesi Tecnica: Uno Schema di Deep Learning Assistito dalla Migrazione per l'Imaging di Difetti Interni in Strutture Cilindriche tramite GPR

Problematica
Il radar a penetrazione nel terreno (GPR) è uno strumento critico per il rilevamento di difetti interni in strutture cilindriche come tronchi d'albero, pali di utilità e colonne del patrimonio culturale. Tuttavia, l'imaging di questi difetti presenta sfide significative che rendono inefficaci l'elaborazione del segnale tradizionale e le tecniche esistenti di deep learning (DL).

1. Disallineamento Geometrico: I modelli DL convenzionali (ad es., MRF-UNet, PiNet) sono addestrati su B-scan a superficie piana dove le iperboli di riflessione si allineano spazialmente con le posizioni dei target. Nella scansione circonferenziale di strutture cilindriche, le riflessioni formano pattern sinusoidali senza una diretta corrispondenza spaziale con la posizione del difetto, causando un grave degrado delle prestazioni nei modelli standard.
2. Clutter e Riflessioni Multiple: Gli strati interni e le superfici della corteccia generano complessi riflessi multipli e rumore ambientale, creando un clutter che oscura le firme dei difetti.
3. Ricostruzione di Permittività e Forma: I metodi esistenti faticano a ricostruire simultaneamente la forma precisa e la permittività dielettrica dei difetti. Gli algoritmi basati sulla migrazione richiedono spesso tentativi iterativi su un intervallo di velocità d'onda per trovare il focalizzamento ottimale, il che è computazionalmente costoso. Inoltre, le tecniche convenzionali di autofocusing basate sull'entropia (AFT) generano spesso immagini geometricamente distorte, fallendo nel preservare la vera forma del difetto.
4. Limitazioni degli Approcci DL Correnti: Gli approcci ibridi che utilizzano immagini migrate come input ausiliari soffrono dello stesso problema di disallineamento spaziale e si affidano a risultati di migrazione subottimali generati da AFT basate sull'entropia.

Metodologia
Gli autori propongono un framework di deep learning assistito dalla migrazione in tre fasi, progettato specificamente per la scansione GPR circonferenziale di oggetti cilindrici. Lo schema integra l'elaborazione del segnale basata sulla fisica con reti neurali specializzate per ottenere la ricostruzione quasi in tempo reale della forma e della permittività del difetto.

1. Fase 1: Stima della Doppia Permittività (DPE-Net)

   • Obiettivo: Stimare simultaneamente la permittività equivalente del mezzo cilindrico ospite ($\varepsilon_{r,medium}$) e la permittività del difetto interno ($\varepsilon_{r,defect}$) direttamente dal B-scan grezzo.
   • Architettura: La rete utilizza un Modulo di Estrazione delle Caratteristiche (FEM) basato su blocchi residui, un Modulo di Aggregazione delle Caratteristiche (FAM) per combinare le caratteristiche a più livelli e un Modulo di Attenzione per Blocchi Convoluzionali (CBAM) per raffinare la rappresentazione delle caratteristiche.
   • Strategia di Addestramento: Per generare i label di ground truth per $\varepsilon_{r,medium}$ durante l'addestramento, viene impiegata una nuova Tecnica di Autofocusing (AFT) basata sull'Indice di Similarità Strutturale (SSIM). A differenza delle AFT basate sull'entropia che favoriscono la concentrazione di energia (portando spesso a distorsioni geometriche), l'AFT basata su SSIM seleziona la velocità di migrazione che massimizza la similarità strutturale tra l'immagine migrata e una maschera ad anello che rappresenta il confine del difetto. Ciò garantisce che la permittività selezionata preservi la fedeltà geometrica del difetto.

2. Fase 2: Migrazione di Kirchhoff Modificata

   • Obiettivo: Mappare i segnali riflessi dal dominio B-scan al dominio di imaging spaziale.
   • Processo: Utilizzando la $\varepsilon_{r,medium}$ predetta da DPE-Net, viene eseguita una migrazione di Kirchhoff modificata (una sola volta, "one-shot migration"). Questo mappa i segnali ai confini del difetto, riducendo significativamente il costo computazionale rispetto alle ricerche iterative della velocità. L'algoritmo utilizza un modello di sorgente esplodente (ESM) per approssimare la propagazione a due vie come un problema di radiazione a una via.

3. Fase 3: Ricostruzione della Forma (SR-Net)

   • Obiettivo: Elaborare l'immagine migrata affollata dal clutter e ricostruire la geometria precisa del difetto.
   • Architettura: Un'architettura U-Net potenziata dotata di connessioni ResPath tra l'encoder e il decoder per colmare il divario semantico tra le caratteristiche a basso livello e quelle ad alto livello. Utilizza inoltre un decoder basato su CBAM per pesare dinamicamente i contributi delle caratteristiche.
   • Output: La rete sopprime il rumore e il clutter, producendo una maschera binaria pulita della forma del difetto.

Ricostruzione Finale: La mappa finale del difetto viene generata combinando l'output della forma di SR-Net con il valore di permittività predetto da DPE-Net.

Contributi Chiave

1. Framework Assistito dalla Migrazione: Il documento introduce un nuovo schema che risolve il collo di bottiglia del disallineamento di dominio nella scansione cilindrica, separando i compiti: la stima della permittività viene eseguita nel dominio B-scan (dove le riflessioni dipendenti dal materiale sono mantenute), mentre il recupero della forma avviene nel dominio dell'immagine migrata (dove la geometria spaziale è correttamente allineata).
2. Autofocusing Basato su SSIM: Viene sviluppata una nuova AFT che privilegia la fedeltà geometrica rispetto alla concentrazione di energia. Ciò consente una strategia di migrazione "one-shot" affidabile, eliminando la necessità di prove ripetitive della velocità e fornendo etichette di supervisione accurate per la rete di stima della permittività.
3. Reti Specializzate per Dominio: Il design di DPE-Net (con FAM e CBAM) e SR-Net (con ResPath e meccanismi di attenzione) affronta specificamente le sfide dell'aggregazione delle caratteristiche e dei divari semantici nell'imaging di difetti cilindrici.
4. Validazione Completa: Il framework è validato attraverso tre dataset distinti: cilindri stratificati sintetici, un modello di tronco di laboratorio con decadimento basato su suolo e campioni reali di tronchi d'albero (sia freschi che vivi).

Risultati

• Dati Sintetici: Il sistema proposto ha superato i metodi DL esistenti (PiNet, MRF-UNet, MultiPath-Net) in tutte le metriche. Ha raggiunto un'Intersezione su Unione (IoU) di 0,8906 e un SSIM di 0,9634, rispetto ai punteggi significativamente più bassi dei baseline. L'AFT basata su SSIM ha ridotto l'Errore Assoluto Medio (MAE) della stima della permittività a 0,24, rispetto a 2,72 per l'AFT basata sull'entropia.
• Modello di Laboratorio: Sui dati di misurazione di un modello a secchio riempito di sabbia con decadimento artificiale, il metodo proposto ha mantenuto prestazioni superiori con un IoU di 0,7947, ricostruendo accuratamente forme irregolari (triangoli, trapezi) che altri metodi sfocavano o distorcevano.
• Tronchi d'Albero Reali: Nei test su 21 campioni di tronchi d'albero reali con difetti simulati, il sistema proposto ha ottenuto il più alto IoU medio (54,74%) e ha dimostrato una robusta generalizzazione.
• Generalizzazione (Zero-Shot & Alberi Vivi):
  • Zero-Shot: I modelli addestrati esclusivamente su dati sintetici si sono generalizzati con successo ai dati di misurazione reali senza fine-tuning, raggiungendo un IoU del 38,72%, superando significativamente i baseline.
  • Alberi Vivi: I test di generalizzazione su alberi vivi con difetti naturalmente sviluppati (validati tramite tomografia sonora e resistenza alla perforazione) hanno confermato la capacità del metodo di localizzare accuratamente i difetti. Sebbene si siano verificate lievi variazioni di intensità dovute alla variabilità biologica, il metodo ha fornito costantemente ricostruzioni interpretabili dove la migrazione tradizionale e la tomografia sonora non riuscivano a risolvere i confini dei difetti.
• Efficienza: Il tempo totale di CPU per il framework proposto è stato di circa 20 secondi per campione, offrendo un rapporto favorevole tra accuratezza e velocità rispetto ai metodi di migrazione iterativa (che richiedevano circa 89 secondi).

Significatività e Rivendicazioni
Il documento rivendica di presentare il primo framework di inversione deep learning deployable e consistente con la fisica, progettato per l'imaging di difetti interni tramite GPR in oggetti cilindrici. La sua significatività risiede in:

• Superamento del Disallineamento di Dominio: Risoluzione con successo del disallineamento spaziale inerente alla scansione circonferenziale, un limite che ha ostacolato l'applicazione dei modelli DL standard ai tronchi d'albero e alle colonne.
• Automazione Guidata dalla Fisica: Integrazione di un passaggio di migrazione basato sulla fisica con il deep learning per automatizzare la selezione dei parametri di migrazione senza conoscenza strutturale preventiva, consentendo l'imaging completamente automatizzato.
• Deployability Pratica: Dimostrazione della fattibilità del deployment sul campo attraverso test riusciti su alberi vivi, offrendo uno strumento non invasivo per valutare l'integrità strutturale e prevenire la caduta degli alberi.
• Ampia Applicabilità: Sebbene focalizzato sui tronchi d'albero, il principio sottostante è applicabile ad altri scenari di imaging GPR circonferenziale, come pali di utilità e colonne del patrimonio culturale.

Gli autori riconoscono i limiti riguardanti la complessità del decadimento naturale, la variabilità dell'umidità e le geometrie non convesse, notando che il lavoro futuro si concentrerà sull'espansione dei dataset e sul raffinamento dell'elaborazione del segnale per forme irregolari. Tuttavia, i risultati attuali stabiliscono una base robusta per l'imaging dei difetti in tempo reale e accurato in strutture cilindriche.